SKALA PENGUKURAN

Skala pengukuran data menjadi hal yang krusial dalam analisis statistika mengingat ini merupakan salah satu faktor penentu jenis atau tipe teknik statistika yang akan digunakan untuk menganalisis data. Secara garis besar, berdasarkan skala pengukurannya data dibedakan menjadi dua : nonmetrik (kualitatif) dan metrik (kuantitatif). Data nonmetrik meliputi atribut, karakteristik atau sifat kategoris yang mendeskripsikan suatu subjek. Data metrik meliputi hasil pengukuran atau pencacahan terhadap suatu subjek tertentu. Berbagai parameter dan statistik yang dikenal dalam Statistika deskriptif (ukuran pemusatan, ukuran letak, ukuran persebaran) hanya berlaku pada data yang diukur dengan skala metrik. Secara lebih terperinci, skala nonmetrik masih dapat dibedakan menjadi nominal dan ordinal sedangkan skala metrik menjadi interval dan rasio.
· Skala nominal
Data berkala nominal hanya bisa digunakan untuk mengidentifikasi perbedaan karakteristik antara subjek satu dengan lainnya. Selain itu, data ini juga dapat digunakan dalam kegiatan klasifikasi atau kategorisasi. Mengingat sifatnya, relasi aritmatis yang berlaku hanyalah = dan ¹.
Contoh : jawaban dikotomi (ya, tidak); jenis kelamin (pria, wanita); warna lampu lalu lintas (merah, kuning, hijau); nomor urut parpol Pemilu 2004 (1, 2, ..., 48); dsb.
· Skala ordinal
Data berskala ordinal selain berfungsi untuk identifikasi dan klasifikasi/kategorisasi juga memiliki jenjang (tingkatan) yang bersifat kualitatif. Kodifikasi yang dilakukan terhadap setiap nilai data dapat memiliki jarak yang berbeda-beda dan dapat diubah (dinamakan "transformasi monoronik") asalkan urutan jenjang tetap. Relasi aritmatis yang berlaku adalah =, ¹, <, >, ≤ dan ≥.
Contoh : urutan juara (1, 2, 3); skala likert (STS, TS, N, S, SS); dsb.
· Skala interval
Data berskala interval memiliki karakteristik skala ordinal hanya saja kodifikasi yang ada memiliki jarak antar jenjang yang sama satu dengan lainnya namun tidak memiliki harga nol mutlak. Misalnya, nilai 10 pada skala ini tidaklah sama dengan 2 kali nilai 5 atau setengah nilai 20. Transformasi yang dapat dilakukan adalah fungsi linier Y = a + bX. Relasi aritmatis yang berlaku adalah =, ¹, <, >, ≤, ≥, + dan –.
Contoh : temperatur (0o C = 0 o R = 32o F = 273o K); dsb.
· Skala rasio
Data berskala rasio memiliki semua karakteristik skala lainnya ditambah dengan adanya harga nol mutlak, sehingga menempati urutan tertinggi dalam penskalaan. Dalam skala ini, 10 = (2 ´ 5) = (20 : 2). Transformasi linier yang berlaku adalah Y = cX. Relasi aritmatis yang berlaku adalah =, ¹, <, >, ≤, ≥, +, –, ´, :, akar dan pangkat.
Contoh : massa; panjang; waktu; cacah benda; nominal uang; dsb.
Banyak teknik analisis statistika yang dibedakan berdasarkan tipe skala pengukuran data, misalnya dikenal istilah analisis data kategorik (categorical data analysis) untuk menunjukkan bahwa analisis-analisis yang dibahas dalam cabang ini hanya berlaku untuk tipe data kategorik (nominal) atau paling tinggi ordinal. Contoh lain, analisis peringkat ( rank analysis) dalam cabang Statistika Nonparametrik hanya cocok diterapkan pada data-data bertipe ordinal atau yang lebih rendah (nominal) namun jika diterapkan pada data yang diukur pada skala interval atau rasio maka kuasa ujinya ( test power) akan lebih rendah dibandingkan kalau digunakan analisis yang memang didesain untuk tipe data metrik.

Begitu juga dalam analisis multivariat, ada beberapa teknik analisis yang mensyaratkan data diukur pada skala metrik, misalnya analisis faktor, analisis klaster dan analisis diskriminan (meskipun dalam perkembangannya para statistisi mampu menciptakan beragam teknik "derivatif" dari analisis2 ini yang mampu mengakomodasi data2 nonmetrik). Dalam kondisi seperti ini, jika data yang dimiliki hanyalah data nonmetrik, akan lebih baik jika digunakan teknik analisis multivariat nonparametrik. Namun penerapan teknik seperti ini mengandung beberapa kesulitan :

· Rumusan matematis analisis lebih kompleks karena biasanya bersifat bebas distribusi

· Literatur yang membahas masih sangat jarang dan masih sedikit software yang mampu mengakomodasi teknik-teknik seperti ini

· Penerapan praktis dengan hasil yang memuaskan cenderung mensyaratkan kondisi-kondisi yang sulit dipenuhi, seperti ukuran sampel yang lebih besar dibandingkan jika digunakan teknik parametrik

Ada beberapa analisis statistika multivariat yang mensyaratkan data yang dianalisis diukur pada skala metrik (interval atau rasio), di antaranya analsis klaster dan analisis diskriminan. Dalam kondisi di mana data yang dimiliki hanyalah data berskala ordinal, diperlukan suatu transformasi yang dapat mengubah skor-skor data pada variabel yang terlibat (berskala ordinal) menjadi data metrik. Dalam Psikometrika, metode transformasi seperti ini dinamakan metode penskalaan ( scaling technique). Metode penskalaan yang populer di antaranya metode rating dijumlahkan (summated rating) & juga metode yg mirip dengannya, metode interval berurutan (succesive interval). namun kebanyakan teknik2 ini mengasumsikan data populasi berdistribusi normal. Untuk teknik perhitungannya,bisa Anda dapatkan di buku2 metode penelitian,teori pengukuran atau Psikometrika.

Dalam SEM,kalau data kita diukur dlm skala nonmetrik,ada 2 pilihan yg bisa diambil :

Melakukan penskalaan terlebih dahulu thd raw data shg data bisa "dianggap" berskala metrik

Tetap menggunakan raw data yg ada namun digunakan metode estimasi bebas distribusi (ADF/WLS). Slh 1 pendekatan yg populer di antaranya adalah underlying variable approach berdasarkan korelasi polychoric (asumsi : data populasi yg direpresentasikan oleh raw data yg berskala likert/ordinal berdistribusi normal,jadi raw data yg likert -distribusinya diskrit- hanyalah representasi/simplifikasi dr real data yg sebenarnya berdistribusi kontinu,dlm hal ini normal). Namun -sekali lagi- slh 1 kelemahan utama metode ini adalah diperlukan jumlah data yg banyak (dibandingkan jika digunakan metode estimasi MLE misalnya) agar hasil analisisnya reliabel & stabil.

Posted by bambang pramono